Wykorzystanie głębokiego uczenia do przewidywania ekstremalnych zdarzeń pogodowych

Modele głębokiego uczenia okazują się bardzo skuteczne w analizowaniu dużych ilości danych i przewidywaniu przyszłych wydarzeń. Dzięki temu są one przydatne w wielu zastosowaniach, w tym w prognozowaniu pogody oraz zdarzeń ekstremalnych.

Chociaż meteorolodzy potrafią obecnie dość dobrze przewidzieć ogólne trendy pogodowe na najbliższe dwa lub trzy dni, zmiany klimatu doprowadziły do wzrostu liczby nieoczekiwanych ekstremalnych zjawisk pogodowych, w tym burz, gradobić i huraganów. Dokładne przewidywanie tych nagłych zjawisk meteorologicznych z kilkugodzinnym wyprzedzeniem może pomóc w przygotowaniu się do nich, ograniczając ich wpływ i negatywne skutki.

Wykorzystanie głębokiego uczenia

Naukowcy z IRT AESE Saint Exupéry i Météo-France opracowali niedawno trzy sieci neuronowe do przewidywania nadchodzących opadów. Sieci te mogą umożliwić meteorologom, rządom, organizatorom imprez sportowych i innym organizacjom przewidywanie wystąpienia burz, huraganów i innych ekstremalnych zjawisk pogodowych z wyprzedzeniem od jednej do sześciu godzin.

Trzy modele głębokiego uczenia

Proponujemy wykorzystanie trzech popularnych modeli głębokiego uczenia (U-net, ConvLSTM i SVG-LP) wytrenowanych na dwuwymiarowych mapach opadów do prognozowania opadów. Zaproponowaliśmy również algorytm ekstrakcji w celu uzyskania map opadów o wysokiej rozdzielczości – piszą naukowcy w swojej pracy.

Obecnie, większość długoterminowych prognoz pogody opiera się na modelach numerycznych, które mogą symulować procesy fizyki atmosfery przy użyciu obrazów nieba, danych radarowych i innych dostępnych danych. Chociaż metody te mogą przewidywać opady z dużą dokładnością, często wymagają przeprowadzenia rozległych obliczeń, przez co ich opracowanie zajmuje dużo czasu. W rezultacie metody te często nie sprawdzają się równie dobrze w prognozowaniu gwałtownych zjawisk.

Głównym celem ostatnich prac Mohameda Chafika Bakkaya i jego kolegów z IRT AESE Saint Exupéry i Météo-France było opracowanie metod głębokiego uczenia, które mogłyby skuteczniej niż numeryczne modele prognozowania pogody radzić sobie z prognozowaniem. W swojej pracy przedstawili trzy różne modele, mianowicie sieć U-net, ConvLSTM i SVG-LP.

Te trzy sieci były trenowane na zbiorze danych zawierającym 20 352 obrazy o wysokiej rozdzielczości, wykonane przez Météo-France przy użyciu technologii echa radarowego w latach 2017-2018. Obrazy obejmowały obszar o powierzchni około 1000 km2 we Francji.

Konwolucyjne i rekurencyjne sieci neuronowe

Bakkay i jego koledzy oceniali działanie wszystkich trzech opracowanych przez siebie modeli głębokiego uczenia w serii testów, porównując jakość tworzonych przez nie rekonstrukcji i dokładność przewidywań. Stwierdzili, że choć wszystkie trzy modele dobrze odwzorowują ewolucję pól opadowych, model U-Net, wykorzystujący architekturę konwolucyjnej sieci neuronowej (CNN), wypadł lepiej niż pozostałe dwa, opierające się na modelu RNN (rekurencyjna sieć neuronowa).

W przyszłości architektura U-Net opracowana przez zespół badaczy może być użyta do opracowania bardziej efektywnych narzędzi potrafiących przewidywać nadchodzące opady i burze. Co więcej, ich praca może zainspirować innych do opracowania podobnych modeli.

Źródło: TechXplore

0 0 votes
Article Rating
Powiadomienia
Powiadom o
0 komentarzy
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x